风电场短期风速的改进Volterra自适应预测法

欲提高含大量风电机组电网的安全稳定性及降低其运行成本,高精度的短期风速预测是一种有效的手段。首先在对具有混沌属性的风速时间序列进行相空间重构的基础之上,使用一种混沌时间序列的Voherra自适应滤波预测法对风速进行了预测;然后针对该方法滤波系数不易收敛及预测结果存在时延的缺点,改进了自适应算法的系数更新方法,从而加快了收敛并提高了预测精度。算例分析结果验证了该方法的可行性和有效性。     

风电场短期风速的混沌预测方法

高精度的短期风速预测对提高含大量风电机组电网的安全稳定性及降低运行成本具有重要意义。文中在对风速时间序列进行相空间重构的基础上,使用混沌加权零阶局域预测法对风速进行预测;进而针对该方法在高嵌入维数下以欧氏距离寻找临近相点进行预测不准确的不足,提出了一种改进加权零阶局域预测法。该方法用相点间关联度来确定临近相点,并且提出了一种新的加权系数计算方法,以提高预测精度。算例分析结果验证了该方法的可行性和有效性。     

基于混沌特性分析的风速序列混合预测方法

为提高风速时间序列的预测性能,针对具有混沌特性的风速时间序列提出一种混合预测方法。通过分析风速时间序列的动力学特性,求解风速时间序列蕴含的最佳不稳定周期轨道,将前一最佳不稳定周期轨道附近的值作为当前预测结果,从而得到基于混沌不稳定周期轨道的预测结果。另外,将混沌算子网络应用于风速时间序列预测分析中,通过调节网络参数改变预测网络的动力学特性,从而实现风速时间序列预测分析。将这两种具有不同机理的预测方法通过优化融合指标函数的方式实现预测结果融合,从而实现风速时间序列的混合预测。仿真结果表明,混合预测方法能够进一步提高风速时间序列的预测性能。     

基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型

为了合理利用风电,提高电网的稳定性、经济性,需要对风电的输出功率进行有效预测;然而,单一模型的预测结果精度不高。提出一种基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型。该模型采用Kalman滤波算法对风速进行滤波处理,通过相空间重构来确定风速序列的延时时间和嵌入维数;并利用Elman神经网络建立了预测模型。仿真实验表明,该模型预测精度有了明显提高。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

基于自适应的动态三次指数平滑法的风电场风速预测

随着风力发电的快速发展,对风电场的风速实现较准确的预测也逐步成为风电领域研究的热点。为了提高风速的预测精度,综合考虑风速历史时间序列的影响,在传统的三次指数平滑方法的基础上,提出了一种自适应的动态三次指数平滑方法来进行风速预测。该方法利用了地毯式搜索方法,根据误差平方和最小的原则及时调整并获得最佳的平滑系数,然后进行后续的一步或多步风速预测。通过与传统的三次指数平滑法、灰色模型预测法比较,验证了自适应的动态三次指数平滑法在风电场风速预测中的准确性和高效性。     

基于小波-神经网络的风速及风力发电量预测

风能作为可再生清洁能源已得到世界各国的广泛应用。由于风速的不确定性,给保障风力可靠性发电带来了一定的困难。提出了一种较为准确的小波–神经网络法预测风速。该方法利用小波函数将原始波形进行不同尺度的分解,将分解得到的周期分量用时间序列进行预测,其余部分采用神经网络进行预测,最后将信号序列进行重构得到完整的风速预测结果。在神经–网络学习过程中加入了微分进化算法,提高了其收敛速度,解决了局部最小化问题。通过实例分析证明了该算法能较为准确地预测风速。     

基于混沌—LSSVM神经网络风电场风速短期预测

风电出力是电力系统运行与规划的依据,准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下,结合混沌时间序列的相空间重构和支持向量机回归理论,建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测,通过实例仿真计算分析表明,混沌—LSSVM神经网络的混合算法可进一步提高预测精度。     

季节分型下一种面向风电功率日前预测的深度自适应滤波框架

深入研究数值天气预报风速的波动性对提高风电功率日前预测精度具有重要意义。首先提出一种深度自适应滤波框架,对于数值天气预报风速,采用引入相对熵的变分模态分解算法,经分解产生多个模态分量后,基于非局部均值去噪算法对其中的噪声分量滤波,随后将其与有效分量重构得到去噪后的序列;在此基础上按季节分型,将去噪后的数值天气预报风速序列作为输入,在备选模型库中由验证集选用该季节最适合的风速-功率转化模型,并对测试集进行风电功率预测。选用中国东北某风电场进行算例分析,相较于其他分解算法,所提方法在不同季节的预测准确率可提升0.25%～1.58%,即季节分型下的深度自适应滤波框架可有效提高风电功率预测精度。     

基于NARX及混沌支持向量机的短期风速预测

风速预测精度的提高,对降低风力发电成本、合理安排风场选址等方面有着积极作用。使用DBSCAN聚类对所有数据进行去噪处理,选择最合适的风速数据序列进行实证研究。首先,针对风速数据序列具有混沌性而对预测结果产生影响的问题,采用C-C法确定相空间重构中所需参数。与此同时,结合混沌理论建立混沌支持向量机模型,用以预测未来24 h的风速值。之后,将该模型与EGARCH模型以及具有外生输入的非线性自回归网络(NARX)模型的预测结果进行对比。最后,根据各预测模型的RMSE和MAPE精度对模型预测效果进行评估。结果表明:基于混沌时间序列的支持向量机模型对NWTC m2气象站所在地风速具有最佳预测效果。     

基于相空间重构和LSSVM的短期风速预测

为了提高短期风速预测精度,提出了一种基于最小二乘支持向量机的短期风速预测方法.首先采用复自相关法和互信息法计算延迟时间,采用伪最邻近点法和 Cao式法计算嵌入维数,使延迟时间和嵌入维数取值更合理.其次运用小数据量法计算混沌时间序列的最大 Lyapunov指数,G-P算法计算时间序列的关联维数,用以证明风速序列为混沌时间序列并确定支持向量.然后采用扩展记忆粒子群对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立 PSOEM-LSSVM 的短期风速预测模型.最后与其他几种风速预测模型对比,仿真结果表     

基于组合预测的风电场风速及风电机功率预测

风电场风速及风电机功率预测的准确性对接入风电场的电力系统运行有重要意义.文中提出一种基于相似性样本的多层前馈(BP)神经网络风速预测方法,利用风速季节性周期变化的特点提高风速预测的准确性;结合时间序列分析与灰色预测方法研究了应用组合预测方法进行风电场风速预测,并在风速预测的基础上讨论了风电机功率预测.通过对国内某地区的实测风速数据分析,验证了该预测方法能够提高风速预测的准确性,具有较大的实用价值.     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于高斯过程回归的短期风速预测

准确预测风速能有效减轻风电场对整个电网的不利影响,提高风电场在电力市场中的竞争能力。为了提高风速预测的精度,提出一种基于高斯过程(Gaussian processes,GP)的风速预测模型。首先运用自相关法和假近邻法分别求取风速时间序列的延迟时间和嵌入维数,进而对混沌风速时间序列进行相空间重构。其次运用GP模型对重构后的风速时间序列进行训练,同时在贝叶斯框架下,确定协方差函数中的"超参数"。最后利用训练好的GP模型风速时间序列进行预测,并与支持向量机、最小二乘支持向量机和BP神经网络进行比较。仿真结果表明,基于GP的风速预测模型具有很好的稳定性,能够满足预测精度的要求,具有很大的工程实际应用价值。     

基于混沌特性的风电场风速短期预测方法

为了提高风电场风速短期预测的精确性,提出了基于混沌理论的径向基神经网络预测。通过对风速时间序列关联维数及Lyapunov指数的计算,证实了风速时间序列混沌现象的存在。几种典型的求取延迟时间和嵌入维数算法的预测结果对比表明,基于自相关法-假近邻法的相空间重构RBF神经网络的预测效果比较理想。将基于混沌理论的RBF神经预测方法同传统的Volterra级数预测方法相比较的仿真结果表明,基于混沌理论的RBF神经预测方法具有模型简单、预测精度高的优点。     

基于PSOGSA全参数连分式的风速预测模型

风的间歇性和时变性限制了风电场的发电能力,准确的风速预测有助于减小风力发电入网对电力系统的运行方式安排带来的影响。针对风速时间序列存在的复杂变化和混沌特性,为了提高预测精度和简化预测数学模型结构,提出一种结合万有引力搜索算法(GSA)全局寻优能力和粒子群优化算法(PSO)的局部快速收敛优势的全参数连分式预测模型。将n项截断式连分式转化为PSOGSA优化参数问题,进行多维空间上函数的优化。以风电场风速采集两组数据为预测对象,通过对复杂风速时间序列建模仿真,并利用基于PSOGSA优化的全参数连分式对序列进行多时间尺度的预测。仿真结果分别与传统的BP神经网络、RBF神经网络、当前时间序列预测利用较多的长短期记忆网络算法(LSTM)和粒子群优化支持向量机(PSO-SVM)进行对比得出：基于PSOGSA的全参数连分式预测模型具有精度高、结构简单和建模速度快等特点,具有更强的非线性预测能力。     

基于多尺度形态学分析的风速预测

采用数学形态学和支持向量回归相结合的方法对提前1 h间隔为10 min的风速预测进行研究。用基于形态学的自适应多尺度算法将原始风速序列分解成一系列具有不同频率和波形特征的细节分量和滤波后主分量,用支持向量回归算法分别对这些分量进行预测,将各预测结果叠加得到最终预测结果。以某风电场的实测风速作为应用案例,实验结果表明,分解后的分量内部规律性更强,与分解前相比,预测精度有显著提高。所提方法为风速预测开辟了一条新的思路,所建MM-SVR模型在实际中有较大推广应用价值。     

基于小波包分解和改进差分算法的神经网络短期风速预测方法

风速预测在风电场的智能管理和安全并网中起着至关重要的作用,针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。该方法首先利用WPD将风速的时间序列分解成多种不同频率的子序列,然后采用IDE算法优化后的神经网络对小波包分解后的每个不同频率的子序列进行单步预测,最后将预测后的各个子序列进行叠加,得出最终预测结果。为验证所提方法的有效性,将其分别与采用混合小波分解的BP神经网络风速预测方法和混合小波分解的差分算法风速预测神经网络方法进行对比,对某地区的实际风速数据进行实验仿真,结果表明,所提方法的预测精度明显优于其他算法。     

基于多尺度形态学分析的风速预测

采用数学形态学和支持向量回归相结合的方法对提前1 h间隔为10 min的风速预测进行研究.用基于形态学的自适应多尺度算法将原始风速序列分解成一系列具有不同频率和波形特征的细节分量和滤波后主分量,用支持向量回归算法分别对这些分量进行预测,将各预测结果叠加得到最终预测结果.以某风电场的实测风速作为应用案例,实验结果表明,分解后的分量内部规律性更强,与分解前相比,预测精度有显著提高.所提方法为风速预测开辟了一条新的思路,所建MM-SVR模型在实际中有较大推广应用价值.     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。